Sign up to save your podcasts
Or
Share 株式会社ずんだもん技術室AI放送局 podcast 20250424
Share to email
Share to Facebook
Share to X
Share to email
Share to Facebook
Share to X
Or
株式会社ずんだもん技術室AI放送局 podcast 20250424
関連リンク
この記事は、AI AgentであるCursorを活用したWebフロントエンド開発の具体的な進め方とノウハウを紹介しています。特に新人エンジニアの方にも分かりやすいように、AIとの協調作業で開発を効率的に進めるためのフローが解説されています。
筆者は、AI Agentを使った開発では、いきなりコーディングを始めるのではなく、「要求から実装用のDocumentを作成する」フェーズと「そのDocumentに基づいて開発する」フェーズを分けて進めることを推奨しています。これは、従来の開発と同様に、事前に要件や方針をしっかり固めることで手戻りを減らし、質の高い開発を目指すためです。
「要求から実装用のDocumentを作成する」フェーズはさらに3つの段階に分かれます。
これらの3つのDocumentを作成する過程で、AI Agentとの対話を通じて不明瞭な部分を解消し、開発の方向性を固めていきます。人間はAI Agentからの提案や質問に対して、状況に合わせて判断や補足を行う役割を担います。記事では、まとまった回答を効率的に入力するために、ChatGPTの音声入力を活用する具体的なTipsも紹介されています。
「実装用Documentから開発する」フェーズでは、作成したタスクDocに基づいて、タスクを一つずつAI Agentに進めてもらいます。AI Agentはタスクの内容を理解し、必要なコードを生成してくれます。生成されたコードを確認し、期待通りであればコミットに進みます。コミットは粒度やスコープを自分でコントロールするために、手動で行うことが推奨されています。
開発が終わったら、作成したDocumentはプルリクエスト（PR）の差分に含まれないように削除コミットを作成します。PR作成時には、Documentの情報を参照させながら、AI Agentにベースとなる説明文を作成してもらうことも可能です。
このフローは、AI Agentを単なるコード生成ツールとして使うのではなく、要求整理や設計方針検討といった上流工程から「協調して」進めることで、開発プロセス全体の効率化と質の向上を目指すアプローチと言えます。ゼロから大規模な要求整理を行う場合は、よりチームでの議論が必要になるなど、まだ模索中の部分もあるとのことです。
この記事で紹介されたフローは、AI Agentを開発にどう活用できるか、具体的な一歩を踏み出すための参考になるでしょう。
引用元: https://zenn.dev/kii/articles/with_ai-agent_on_2504
AI分野をリードするNVIDIAのCEO、ジェンスン・フアン氏が日本の石破総理大臣と会談し、AI技術の未来について語りました。
石破総理は、AIを活用した地方創生や、日本がAI開発しやすい環境整備への意欲を示しました。
これに対しフアン氏は、NVIDIAが創業間もない頃から日本のゲーム会社などと協力し、日本の技術力に支えられてきたことに触れました。
フアン氏は、AIの進化を波に例えて説明しました。
第一の波は、コンピューターが文字や画像などを「認識する」段階。
第二の波は、文章や画像を新しく「生成する」段階（これが今の生成AIですね）。
そして、現在進行中の第三の波は、AIが自分で考え、推論して問題を解決する「エージェントAI」の段階です。
そして、フアン氏が特に強調したのが、この次に来る「フィジカルAI」という新しい波です。フィジカルAIとは、単にデジタルな情報だけでなく、私たちの周りにある現実の「物理世界」を理解するAIのことです。例えば、物がどう動くか、何が原因で何が起こるか、といった物理的な仕組みや法則をAIが把握できるようになります。
フアン氏は、このフィジカルAIが「日本にとって本当に重要」だと述べました。その理由として、日本が昔から得意としている「科学技術」と「産業製造（ものづくり）」という2つの分野で、フィジカルAIが大きな可能性を解き放つからです。
フィジカルAIが物理世界を理解できるようになれば、その技術は次世代のロボット開発に繋がります。現実世界で賢く、複雑な作業をこなせるロボットを生み出す力が生まれるのです。
日本だけでなく世界中で人手不足が深刻化している今、フィジカルAIとロボティクスは、社会の課題解決に欠かせないものになるだろう、とフアン氏は語りました。
まとめると、NVIDIAのCEOは、日本の技術力とものづくりの力を評価し、物理世界を理解する「フィジカルAI」という次のAIの進化において、日本が世界の中心的な役割を果たすことへの期待を示したと言えます。これからエンジニアを目指す皆さんにとっても、「物理」と「AI」が組み合わさるこの分野は、非常に注目すべき面白いテーマになりそうです。
引用元: https://japan.cnet.com/article/35232113/
PyTorch 2.7がリリースされました！これは、世界中の多くのエンジニアの貢献によって実現された、機械学習、特にAI開発をさらに効率的かつ高性能にするための様々な機能改善が含まれています。
今回のリリースで特に注目すべき点はいくつかあります。まず、新しいNVIDIA Blackwell GPUアーキテクチャとCUDA 12.8への対応が強化されました。これにより、最新の高性能ハードウェアをPyTorchで最大限に活用できるようになります。
開発効率を上げるための機能も強化されています。モデルの実行速度を向上させるtorch.compile機能に「Torch Function Modes」が追加され、torch.から始まる様々な操作の挙動をカスタマイズできるようになりました。これにより、特定のハードウェアバックエンドに合わせた最適化などがより柔軟に行えます。「Mega Cache」という機能も導入され、一度コンパイルしたモデルの一部を保存・再利用できるようになります。これにより、開発や実験のサイクルでコンパイルにかかる時間を短縮し、効率を上げることが期待できます。
最近注目されている大規模言語モデル（LLM）の開発や実行に関する機能も進化しました。「FlexAttention」は、attention計算を効率化するための機能ですが、今回のリリースではX86系CPUでのLLMの「最初のトークン処理」や「スループット向上」に向けた最適化が進められました。また、「PyTorch Native Context Parallel」は、LLMの学習などでattention計算を効率的に並列化するためのAPIを提供します。
Intel GPUのサポートも強化されました。Windows 11でのtorch.compile対応や、学習済みモデルの軽量化手法であるPT2E（Post Training Quantization Export）の性能向上、Attention計算の高速化など、Intel GPUを使う開発者にとって嬉しい改善が多く含まれています。
他にも、リスト化された複数のテンソルに対して同じ処理を効率的に適用できる「Foreach Map」や、行列計算の準備段階の処理を最適化する「Prologue Fusion」といった新しい機能が加わっています。
PyTorch 2.7は、これらの新機能や改善によって、より多様なハードウェアで、より効率的に、そしてより高性能な機械学習モデルを開発・実行するための強力なツールとなっています。これらの機能はまだ開発途中のものもありますが、ぜひ試してみて、何か発見があればコミュニティにフィードバックをお願いします。世界中のエンジニアが協力してPyTorchをより良いものにしています。
引用元: https://pytorch.org/blog/pytorch-2-7/
（株式会社ずんだもんは架空の登場組織です）
View all episodes
By 株式会社ずんだもん技術室AI放送局関連リンク
この記事は、AI AgentであるCursorを活用したWebフロントエンド開発の具体的な進め方とノウハウを紹介しています。特に新人エンジニアの方にも分かりやすいように、AIとの協調作業で開発を効率的に進めるためのフローが解説されています。
筆者は、AI Agentを使った開発では、いきなりコーディングを始めるのではなく、「要求から実装用のDocumentを作成する」フェーズと「そのDocumentに基づいて開発する」フェーズを分けて進めることを推奨しています。これは、従来の開発と同様に、事前に要件や方針をしっかり固めることで手戻りを減らし、質の高い開発を目指すためです。
「要求から実装用のDocumentを作成する」フェーズはさらに3つの段階に分かれます。
これらの3つのDocumentを作成する過程で、AI Agentとの対話を通じて不明瞭な部分を解消し、開発の方向性を固めていきます。人間はAI Agentからの提案や質問に対して、状況に合わせて判断や補足を行う役割を担います。記事では、まとまった回答を効率的に入力するために、ChatGPTの音声入力を活用する具体的なTipsも紹介されています。
「実装用Documentから開発する」フェーズでは、作成したタスクDocに基づいて、タスクを一つずつAI Agentに進めてもらいます。AI Agentはタスクの内容を理解し、必要なコードを生成してくれます。生成されたコードを確認し、期待通りであればコミットに進みます。コミットは粒度やスコープを自分でコントロールするために、手動で行うことが推奨されています。
開発が終わったら、作成したDocumentはプルリクエスト（PR）の差分に含まれないように削除コミットを作成します。PR作成時には、Documentの情報を参照させながら、AI Agentにベースとなる説明文を作成してもらうことも可能です。
このフローは、AI Agentを単なるコード生成ツールとして使うのではなく、要求整理や設計方針検討といった上流工程から「協調して」進めることで、開発プロセス全体の効率化と質の向上を目指すアプローチと言えます。ゼロから大規模な要求整理を行う場合は、よりチームでの議論が必要になるなど、まだ模索中の部分もあるとのことです。
この記事で紹介されたフローは、AI Agentを開発にどう活用できるか、具体的な一歩を踏み出すための参考になるでしょう。
引用元: https://zenn.dev/kii/articles/with_ai-agent_on_2504
AI分野をリードするNVIDIAのCEO、ジェンスン・フアン氏が日本の石破総理大臣と会談し、AI技術の未来について語りました。
石破総理は、AIを活用した地方創生や、日本がAI開発しやすい環境整備への意欲を示しました。
これに対しフアン氏は、NVIDIAが創業間もない頃から日本のゲーム会社などと協力し、日本の技術力に支えられてきたことに触れました。
フアン氏は、AIの進化を波に例えて説明しました。
第一の波は、コンピューターが文字や画像などを「認識する」段階。
第二の波は、文章や画像を新しく「生成する」段階（これが今の生成AIですね）。
そして、現在進行中の第三の波は、AIが自分で考え、推論して問題を解決する「エージェントAI」の段階です。
そして、フアン氏が特に強調したのが、この次に来る「フィジカルAI」という新しい波です。フィジカルAIとは、単にデジタルな情報だけでなく、私たちの周りにある現実の「物理世界」を理解するAIのことです。例えば、物がどう動くか、何が原因で何が起こるか、といった物理的な仕組みや法則をAIが把握できるようになります。
フアン氏は、このフィジカルAIが「日本にとって本当に重要」だと述べました。その理由として、日本が昔から得意としている「科学技術」と「産業製造（ものづくり）」という2つの分野で、フィジカルAIが大きな可能性を解き放つからです。
フィジカルAIが物理世界を理解できるようになれば、その技術は次世代のロボット開発に繋がります。現実世界で賢く、複雑な作業をこなせるロボットを生み出す力が生まれるのです。
日本だけでなく世界中で人手不足が深刻化している今、フィジカルAIとロボティクスは、社会の課題解決に欠かせないものになるだろう、とフアン氏は語りました。
まとめると、NVIDIAのCEOは、日本の技術力とものづくりの力を評価し、物理世界を理解する「フィジカルAI」という次のAIの進化において、日本が世界の中心的な役割を果たすことへの期待を示したと言えます。これからエンジニアを目指す皆さんにとっても、「物理」と「AI」が組み合わさるこの分野は、非常に注目すべき面白いテーマになりそうです。
引用元: https://japan.cnet.com/article/35232113/
PyTorch 2.7がリリースされました！これは、世界中の多くのエンジニアの貢献によって実現された、機械学習、特にAI開発をさらに効率的かつ高性能にするための様々な機能改善が含まれています。
今回のリリースで特に注目すべき点はいくつかあります。まず、新しいNVIDIA Blackwell GPUアーキテクチャとCUDA 12.8への対応が強化されました。これにより、最新の高性能ハードウェアをPyTorchで最大限に活用できるようになります。
開発効率を上げるための機能も強化されています。モデルの実行速度を向上させるtorch.compile機能に「Torch Function Modes」が追加され、torch.から始まる様々な操作の挙動をカスタマイズできるようになりました。これにより、特定のハードウェアバックエンドに合わせた最適化などがより柔軟に行えます。「Mega Cache」という機能も導入され、一度コンパイルしたモデルの一部を保存・再利用できるようになります。これにより、開発や実験のサイクルでコンパイルにかかる時間を短縮し、効率を上げることが期待できます。
最近注目されている大規模言語モデル（LLM）の開発や実行に関する機能も進化しました。「FlexAttention」は、attention計算を効率化するための機能ですが、今回のリリースではX86系CPUでのLLMの「最初のトークン処理」や「スループット向上」に向けた最適化が進められました。また、「PyTorch Native Context Parallel」は、LLMの学習などでattention計算を効率的に並列化するためのAPIを提供します。
Intel GPUのサポートも強化されました。Windows 11でのtorch.compile対応や、学習済みモデルの軽量化手法であるPT2E（Post Training Quantization Export）の性能向上、Attention計算の高速化など、Intel GPUを使う開発者にとって嬉しい改善が多く含まれています。
他にも、リスト化された複数のテンソルに対して同じ処理を効率的に適用できる「Foreach Map」や、行列計算の準備段階の処理を最適化する「Prologue Fusion」といった新しい機能が加わっています。
PyTorch 2.7は、これらの新機能や改善によって、より多様なハードウェアで、より効率的に、そしてより高性能な機械学習モデルを開発・実行するための強力なツールとなっています。これらの機能はまだ開発途中のものもありますが、ぜひ試してみて、何か発見があればコミュニティにフィードバックをお願いします。世界中のエンジニアが協力してPyTorchをより良いものにしています。
引用元: https://pytorch.org/blog/pytorch-2-7/
（株式会社ずんだもんは架空の登場組織です）